一鍵關(guān)注，點(diǎn)亮星標(biāo) ?? 前沿不走丟！

認(rèn)知神經(jīng)科學(xué)前沿文獻(xiàn)分享

基本信息

Title:Inferring the internal structure of groups through the integration of statistical learning and causal reasoning

發(fā)表時(shí)間：2026.1.23

發(fā)表期刊:Nature Communications

影響因子：15.7

獲取原文：

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

研究背景

想象一下你入職新公司的第一天。即使沒有人明確告訴你辦公室的權(quán)力結(jié)構(gòu)，你也能通過觀察同事間的零星互動(dòng)（比如誰(shuí)給誰(shuí)派發(fā)任務(wù)，誰(shuí)和誰(shuí)常去吃午飯）迅速弄清誰(shuí)是領(lǐng)導(dǎo)、誰(shuí)是核心圈子成員，以及遇到困難該向誰(shuí)求助。

人類的社會(huì)生活在一個(gè)由重疊關(guān)系構(gòu)成的豐富網(wǎng)絡(luò)中展開，這些結(jié)構(gòu)包含著等級(jí)制度、友誼和合作聯(lián)盟。然而，我們?cè)谌粘Ｖ杏^察到的互動(dòng)往往是極其稀疏且充滿噪音的，要在這種極其有限的線索下推斷出潛在的群體內(nèi)部結(jié)構(gòu)，是一個(gè)巨大的認(rèn)知挑戰(zhàn)。過去的研究大多將視線聚焦于群際互動(dòng)（即“我們”與“他們”的簡(jiǎn)單成員劃分），或者認(rèn)為人們僅僅依靠固定僵化的啟發(fā)式圖式來(lái)理解關(guān)系。但這顯然無(wú)法解釋人類社交結(jié)構(gòu)的復(fù)雜性、靈活性與生成性。

近期發(fā)表于頂級(jí)期刊《自然-通訊》（Nature Communications）的一項(xiàng)突破性研究提出了一個(gè)絕妙的認(rèn)知框架：人類社會(huì)智力的核心，在于能夠?qū)ⅰ邦I(lǐng)域一般性”的統(tǒng)計(jì)學(xué)習(xí)能力與“領(lǐng)域特定”的社會(huì)結(jié)構(gòu)因果模型完美結(jié)合，從而在腦內(nèi)迅速構(gòu)建出支持解釋、預(yù)測(cè)和規(guī)劃的社會(huì)網(wǎng)絡(luò)表征。

研究核心總結(jié)

在這項(xiàng)研究中，研究團(tuán)隊(duì)設(shè)計(jì)了三個(gè)精巧的認(rèn)知行為實(shí)驗(yàn)，讓受試者觀看高度抽象的小人互動(dòng)動(dòng)畫，并開發(fā)了一個(gè)基于貝葉斯推斷的計(jì)算認(rèn)知模型來(lái)量化人類的社會(huì)結(jié)構(gòu)推斷過程。

Fig. 1: Examples of social structure representations and the generative models associated with each structure.

一、貝葉斯大腦的社會(huì)計(jì)算機(jī)制

研究表明，我們的大腦在處理社交信息時(shí)，首先會(huì)利用類似于“中餐館過程”的非參數(shù)化統(tǒng)計(jì)學(xué)習(xí)機(jī)制，根據(jù)人們互動(dòng)模式的相似性將他們聚類為不同的抽象角色或子群體。但這遠(yuǎn)遠(yuǎn)不夠，大腦還會(huì)調(diào)用一種被稱為“樸素社會(huì)學(xué)”（naive sociology）的直覺領(lǐng)域知識(shí)。這是一種內(nèi)在的因果模型，規(guī)定了特定社會(huì)結(jié)構(gòu)應(yīng)有的行為期待。例如，權(quán)力關(guān)系通常意味著單向的命令傳達(dá)且拒絕成本高昂，而友誼關(guān)系則預(yù)示著雙向?qū)ΨQ的社交邀請(qǐng)。通過無(wú)縫整合這種純粹的統(tǒng)計(jì)聚類與因果常識(shí)，觀察者便能通過貝葉斯推斷，從無(wú)限可能的圖結(jié)構(gòu)中逆向還原出最能解釋當(dāng)前觀察數(shù)據(jù)的社交網(wǎng)絡(luò)。

Fig. 2: Stimulus and response format for Experiment 1.

二、見微知著：還原潛在的群體內(nèi)部結(jié)構(gòu)

在第一個(gè)實(shí)驗(yàn)中，受試者僅僅觀看了幾段展示工作指令、社交邀請(qǐng)或建議請(qǐng)求的簡(jiǎn)短互動(dòng)動(dòng)畫。結(jié)果顯示，人們不僅能夠準(zhǔn)確地從零散動(dòng)作中推斷出背后的權(quán)力等級(jí)、友誼小圈子和導(dǎo)師網(wǎng)絡(luò)，還能對(duì)不同候選結(jié)構(gòu)的合理性給出精細(xì)的概率評(píng)估。人類這種呈現(xiàn)出灰度、定量且?guī)в胁淮_定性的判斷模式，與計(jì)算模型的預(yù)測(cè)實(shí)現(xiàn)了高度吻合。這說明即使數(shù)據(jù)模糊，我們也絕不是在瞎猜，而是在進(jìn)行極其嚴(yán)密且高保真的概率計(jì)算。

Fig. 3: Summary of Experiment 1 results. showing average participant judgments (y-axis) against model predictions (x-axis).

三、洞察未來(lái)：超越表面頻率的行為預(yù)測(cè)

我們?cè)谟^察他人時(shí)，僅僅是在死記硬背“誰(shuí)和誰(shuí)說話次數(shù)最多”嗎？并非如此。研究發(fā)現(xiàn)，當(dāng)需要預(yù)測(cè)未來(lái)某個(gè)角色碰巧不在場(chǎng)時(shí)其他人會(huì)和誰(shuí)互動(dòng)，受試者并非簡(jiǎn)單地推演過去的表面互動(dòng)頻率。相反，人們會(huì)提取并利用大腦中剛剛隱式構(gòu)建好的那張“社會(huì)關(guān)系網(wǎng)”來(lái)預(yù)測(cè)尚未發(fā)生的新行為。這種預(yù)測(cè)表現(xiàn)有力地證實(shí)了我們的社會(huì)認(rèn)知建構(gòu)了深層且靈活的生成模型。

Fig. 4: Two example trials from Study 1a (authority), as well as participant responses and all three model predictions for each trial.

四、拿捏分寸：復(fù)雜關(guān)系網(wǎng)絡(luò)中的影響力推斷

現(xiàn)實(shí)生活中的小群體往往交織著多重結(jié)構(gòu)，同一批人之間既有上下級(jí)匯報(bào)，也有私下閑聊。在綜合考察多重互動(dòng)的實(shí)驗(yàn)中，研究者要求受試者判斷在不同場(chǎng)景下誰(shuí)更有可能說服目標(biāo)人物。結(jié)果顯示，人類能夠極其敏銳地根據(jù)影響力的類型，動(dòng)態(tài)切換所依賴的底層網(wǎng)絡(luò)表征。例如，對(duì)于決定是否“額外加班”這種工作要求，人們自然依賴權(quán)力等級(jí)結(jié)構(gòu)；而對(duì)于決定是否“去看某部電影”這種娛樂活動(dòng)，人們則精準(zhǔn)切換到了隱式推斷出的友誼網(wǎng)絡(luò)模型上。

Fig. 5: Summary of results from Experiment 2, showing participant judgments (y-axis) against model predictions (x-axis).

研究意義

這項(xiàng)研究深刻地指出，在我們的認(rèn)知架構(gòu)中，對(duì)“社會(huì)結(jié)構(gòu)”的非心理化表征與推斷，其重要性絲毫不亞于對(duì)個(gè)體“心智”的表征（心理理論）。它不僅為我們理解人類高階社會(huì)智力提供了極為優(yōu)雅的量化框架，也為未來(lái)探索跨文化的社會(huì)規(guī)范差異打開了全新大門。

Fig. 6: Example stimuli, plus participant responses and model predictions from Experiment 2.

Fig. 7: Summary of results from Experiment 3, showing participant judgments (y-axis) against model predictions (x-axis).

Fig. 8: Example trial from Experiment 3, with participant and model predictions.

Abstract

Human social life unfolds within richly structured networks of overlapping relationships, including friendships, hierarchies, and collaborations. Yet the observable interactions that reveal these networks are often sparse and noisy, making it unclear how people could infer the latent structure of their social environments from such limited evidence. We propose that humans integrate domain-general statistical learning with domain-specific models of social structures to rapidly construct causal representations that support explanation, prediction, and planning. Across three behavioral experiments, we show that participants can infer underlying social structures (Experiment 1), predict social behavior (Experiment 2), and reason about the spread of social influence (Experiment 3), based on brief, abstract videos of social interactions. These judgments were closely captured by a computational model grounded in our account and could not be explained by simpler cue-based accounts. Statistical learning and causal reasoning operate in concert to support rapid, flexible understanding of social structures.

請(qǐng)打分

這篇?jiǎng)倓偟巧?strong>Nature Communications的研究，是否實(shí)至名歸？我們邀請(qǐng)您作為“云審稿人”，一同品鑒。精讀全文后，歡迎在匿名投票中打分，并在評(píng)論區(qū)分享您的深度見解。

分享人：飯鴿兒

審核：PsyBrain 腦心前沿編輯部

你好，這里是「PsyBrain 腦心前沿」

專注追蹤全球認(rèn)知神經(jīng)科學(xué)的最尖端突破

視野直擊 Nature, Science, Cell 正刊 及 Nat Neurosci, Nat Hum Behav, Neuron, Sci Adv 等核心子刊與頂級(jí)大刊

每日速遞「深度解讀」與「前沿快訊」，為你打破信息差

科研是一場(chǎng)探索未知的長(zhǎng)跑，但你無(wú)需獨(dú)行。歡迎志同道合的你加入PsyBrain 學(xué)術(shù)社群，和一群懂你的同行，共同丈量腦與心智的無(wú)垠前沿。

點(diǎn)擊卡片進(jìn)群，歡迎你的到來(lái)

一鍵分享，讓更多人了解前沿